/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,7 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B-Instruct-2507
Библиотека
transformers
Опубликована
12 июл 2026

qwen3-4b-symbolic-vanilla-ppo-v1

Генерация текстаТекст → текст3 профессии

Дообученная vanilla PPO модель Qwen3-4B для решения символических задач с последовательным вызовом инструментов.

12скачиваний за 30 дней0лайковвеса обновлены12 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Occupying-Mars подготовила дообученную методом vanilla PPO модель Qwen3-4B-Instruct-2507 с плотной архитектурой Qwen3 для вызова инструментов в символическом бенчмарке. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README описаны формат вызова инструментов Qwen3/Hermes и результаты проверки на 72 отложенных задачах: итоговая награда составила 0,972 при жадной генерации.

Модель предназначена для экспериментов и сценариев, где агент решает задачи через последовательные вызовы инструментов. Она показала высокую точность на указанном детерминированном бенчмарке и восстановилась после временного ухудшения политики во время обучения. В README отмечено, что жадное поведение стоит проверять на целевых задачах; для генерации рекомендуется температура выше нуля. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • Решение символических задач с помощью вызова инструментов
  • Настройка и оценка PPO-агентов
  • Сравнение PPO и GRPO на задачах с инструментами
  • Эксперименты с прогревом критика PPO

Ограничения

В обучении наблюдалось временное вырождение политики, из-за которого жадный выбор некорректного токена вызова инструмента приводил к нулевой награде; в README рекомендуется проверять жадное поведение на целевых задачах и использовать температуру выше нуля.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-4B — Vanilla PPO on Symbolic Tool-Calling (cmp-vanilla-ppo-4gpu-v1)

Qwen/Qwen3-4B-Instruct-2507 trained with vanilla PPO (Schulman et al. 2017 — clipped surrogate, learned value head, trainer-side GAE) on the deterministic symbolic tool-calling benchmark from the GRPO-vs-PPO-under-rollout-compaction study (prime-rl fork: ChinmayK0607/blog-rl, branch feat/vanilla-ppo).

This is the uncompacted real-PPO baseline that study was missing: its compacted PPO (rollout-reward critic targets, no GAE) collapsed to 0.25/0.14 pass@4; this run shows actual PPO nearly matches GRPO.

Results (val = 72 held-out mixed tasks, greedy)

step106080-100140150
val reward0.5560.7640.0000.9030.972

Reference (same env, Phase-A regime, 8xH100): full GRPO 1.000, compacted GRPO 0.986, segment-normalized GRPO 0.986.

Notable dynamics: entropy collapse around step 80 made a corrupted tool-call token the greedy argmax (val 0 for ~20 steps, 2-turn episodes) — the policy self-recovered by step 110 and finished at 0.972 with more efficient solutions (turns 14.3 -> 11.8). Critic explained variance rose from a cold start (0.01 -> 0.07+) — no warm-start needed, unlike the compacted-PPO arm.

Training setup

  • Algorithm: prime-rl ppo — per-token terminal-reward stream, trainer-side GAE (gamma=1.0, lambda=0.95), clipped surrogate (eps=0.2), clipped value loss (coef 0.5), entropy_coef=0 (a 0.01 arm is a follow-up), LR 1e-6
  • Data: symbolic-curriculum-v2 — 588 train / 72 val pass@4-mixed tasks (frozen-model pass@4 sweep over deterministic pools, keep tasks solved 1-3 of 4 times), depth 3-5, max 24 turns, 32k-token episodes
  • Batch 64 rollouts x group 8, 150 steps, temp 0.7, 4096 completion tokens
  • Hardware: 4x RTX PRO 6000 Blackwell 96GB (2 inference / 2 trainer), ~35 s/step
  • W&B: https://wandb.ai/krishnapg2315/blog-rl/runs/5c4f977de99343c7b44edfe8d05fb5c0

Files

  • model.safetensors — step-150 policy, value head stripped (vLLM-loadable)
  • value_head.safetensors — the trained PPO value head (value_head.weight, [1, hidden]) for critic warm-start experiments (trainer.model.ppo_value_head_init)

Caveats

  • Step-150 weights. The greedy policy is functional (0.972 val) but the run showed a mid-training degeneracy window — prefer temp>0 sampling or verify greedy behavior on your tasks.
  • Tool-call format: Qwen3/hermes (<tool_call> JSON blocks).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
3af25c1

0 моделей